Bỏ qua đến nội dung chính
Mục lục

Encoding UTF-8 trong Python và lỗi UnicodeDecodeError

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 5/10 · Chương 10

File và dữ liệu

  • 7 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Encoding (mã hóa ký tự) trong Python là quy tắc đổi chữ thành byte khi ghi ra file và đổi byte về chữ khi đọc vào; UTF-8 là bảng mã viết được mọi chữ tiếng Việt. Bạn cần hiểu encoding khi file tiếng Việt mở ra thành chữ lạ, hay khi chương trình chạy tốt trên máy của bạn mà dừng vì lỗi giải mã trên máy đồng nghiệp.

Cần biết trước: mở file bằng with open(), đọc file và ghi file.

Chuỗi, bytes và encode()

Ổ đĩa và mạng chỉ chứa byte, mỗi byte là một số từ 0 tới 255. Chuỗi thì chứa ký tự. encode() đổi chuỗi thành bytes theo một bảng mã, và decode() đổi ngược lại:

python
ten = "Hà Nội"
du_lieu = ten.encode("utf-8")
print(du_lieu)
print(len(ten), len(du_lieu))
print(type(du_lieu).__name__)
print(du_lieu.decode("utf-8"))

KẾT QUẢ

b'H\xc3\xa0 N\xe1\xbb\x99i'
6 9
bytes
Hà Nội

bytes là kiểu của một dãy byte. Python in nó với chữ b phía trước: byte nào là ký tự ASCII in được thì hiện thành ký tự đó, byte khác hiện dạng \x cộng hai chữ số thập lục phân. Chuỗi có sáu ký tự nhưng thành chín byte, vì à cần hai byte còn ộ cần ba. Bạn cũng viết thẳng được một giá trị bytes bằng tiền tố b: b"Ha Noi" là bytes của năm chữ cái và một dấu cách. Mỗi ký tự có một số hiệu riêng trong bảng Unicode, và bảng mã quyết định số hiệu đó thành những byte nào; bài Unicode và tiếng Việt nói về số hiệu đó.

UTF-8 dùng bao nhiêu byte cho một ký tự

UTF-8 dùng một byte cho chữ cái không dấu, chữ số và dấu câu thường, và hai tới bốn byte cho các ký tự khác:

python
for ky_tu in "aàữ":
    print(ky_tu, ky_tu.encode("utf-8"), len(ky_tu.encode("utf-8")))
print(b"Ha Noi".decode("utf-8"))

KẾT QUẢ

a b'a' 1
à b'\xc3\xa0' 2
ữ b'\xe1\xbb\xaf' 3
Ha Noi

Hãy hình dung bảng mã như một cuốn từ điển đổi chữ ra mật mã: người ghi và người đọc phải dùng cùng một cuốn, nếu không thì đọc ra chữ khác. Đổi "aàữ" thành "aàữê" rồi chạy lại: dòng mới in ê b'\xc3\xaa' 2.

open() không ghi encoding thì Python dùng bảng mã mặc định của hệ điều hành. Từ Python 3.14 trở về trước, macOS và Linux mặc định UTF-8, còn Windows thường dùng bảng mã cũ như cp1252 (hay cp1258 khi máy đặt vùng Việt Nam). Theo PEP 686 (trạng thái Final, xem ngày 14/11/2026), Python 3.15 đổi mặc định thành UTF-8 trên mọi máy. Ghi encoding="utf-8" thì code đúng trên mọi bản.

Lỗi UnicodeDecodeError

Ngược lại, file ghi bằng bảng mã cũ của Windows mà bạn đọc bằng UTF-8 thì có thể gặp một dãy byte UTF-8 không cho phép. Khi đó Python dừng và báo lỗi:

Lời nhắn in position 1 là vị trí của byte hỏng, đếm từ 0. Muốn chương trình thử một bảng mã khác thay vì dừng, bạn bắt lỗi này bằng try và except.

BOM và utf-8-sig cho file từ Excel

Excel lưu "CSV UTF-8" bằng cách thêm ba byte đánh dấu ở đầu file, gọi là BOM (byte order mark). Bảng mã "utf-8-sig" thêm BOM khi ghi và bỏ BOM khi đọc. Ví dụ dưới đây ghi giống Excel, rồi đọc bằng hai bảng mã:

python
with open("chi_tieu.csv", "w", encoding="utf-8-sig") as f:
    f.write("ngay,so_tien\n01/09/2026,29000\n")

for bang_ma in ["utf-8", "utf-8-sig"]:
    with open("chi_tieu.csv", encoding=bang_ma) as f:
        dong_dau = f.read().split("\n")[0]
    print(bang_ma, len(dong_dau), dong_dau == "ngay,so_tien")
print("ngay".encode("utf-8-sig"))

KẾT QUẢ

utf-8 13 False
utf-8-sig 12 True
b'\xef\xbb\xbfngay'

Đọc bằng "utf-8", dòng đầu dài 13 ký tự thay cho 12: BOM thành một ký tự vô hình đứng trước ngay. Ba byte \xef\xbb\xbf ở dòng cuối là BOM.

Ngoài bytes còn có bytearray, một dãy byte sửa tại chỗ được. Bài bytes và bytearray so sánh hai kiểu này.

Kiểm tra nhanh

  1. len("Huế".encode("utf-8")) cho kết quả gì?

    • 3
    • 4
    • 5
  2. Những điều nào đúng khi đọc file tiếng Việt bằng sai bảng mã?

    • Python có thể đọc ra chữ lạ như sữa mà không báo lỗi
    • Python có thể dừng với UnicodeDecodeError
    • Python tự nhận ra bảng mã đúng và đọc lại
    • Chữ cái không dấu cũng bị đổi thành ký tự lạ
  3. b"Hu\xe1\xba\xbf".decode("utf-8") trả về gì?

    • 'Huế'
    • 'Hue'
    • Báo lỗi UnicodeDecodeError
  4. Trong ví dụ BOM, vì sao dòng đầu đọc bằng "utf-8" dài 13 ký tự?

    • Excel thêm dấu cách vào cuối dòng tên cột
    • BOM thành một ký tự vô hình ở đầu dòng
    • Ký tự xuống dòng \n được tính vào dòng
Đúng hết lần đầu +15 XP

Bài tập

Sửa chữ lạ do đọc sai bảng mã

Một chương trình cũ đọc file UTF-8 bằng bảng mã "latin-1", nên chữ có dấu thành chuỗi lạ như "Mua sữa", và file từ Excel còn có "" (BOM) ở đầu. Viết thân hàm sua_chu_loi(chuoi_loi): dùng encode("latin-1") để lấy lại đúng các byte gốc, rồi decode() các byte đó bằng bảng mã bỏ được BOM.

Ví dụ: sua_chu_loi("Mua sữa") trả về "Mua sữa", sua_chu_loi("ngay,ghi_chu") trả về "ngay,ghi_chu".

Trả về: chuỗi đã sửa, một str.

python
def sua_chu_loi(chuoi_loi):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Encoding đổi chữ thành byte và ngược lại; ghi và đọc phải dùng cùng một bảng mã.

  • "chuỗi".encode("utf-8") trả về bytes; bytes.decode("utf-8") trả về chuỗi; b"..." viết thẳng một giá trị bytes.

  • UTF-8 dùng một byte cho chữ cái không dấu, hai hoặc ba byte cho chữ tiếng Việt có dấu.

  • Đọc bằng sai bảng mã cho ra chữ lạ, hoặc dừng với UnicodeDecodeError.

  • File CSV từ Excel có BOM ở đầu: đọc bằng encoding="utf-8-sig".

  • Luôn ghi encoding="utf-8" khi mở file; Windows tới Python 3.14 không mặc định UTF-8.

Câu hỏi thường gặp

Đọc file tiếng Việt trong Python bị lỗi font thì sửa thế nào?

Chữ lạ như sữa gần như chắc là file UTF-8 bị đọc bằng bảng mã khác. Mở file với encoding="utf-8", hay "utf-8-sig" nếu file đến từ Excel. Nếu chữ lạ có trong chính file khi mở bằng trình soạn thảo, file đã bị ghi hỏng từ trước, như bài ghi file nhắc về việc ghi kèm encoding.

Encode trong Python dùng để làm gì?

encode() đổi chuỗi thành bytes, dạng mà file nhị phân, mạng và các hàm băm cần. Ví dụ gửi dữ liệu qua mạng hay tính mã băm của một mật khẩu đều bắt đầu bằng chuoi.encode("utf-8"). Đọc ghi file văn bản thì open() tự làm việc này khi bạn truyền encoding, như bài mở file hướng dẫn.

Làm sao biết một file đang dùng bảng mã nào?

Python không đọc được bảng mã từ một file văn bản thường, trừ BOM. Cách hay dùng là hỏi người tạo file, hay mở file bằng một trình soạn thảo như VS Code: thanh trạng thái hiện tên bảng mã và cho lưu lại bằng UTF-8.

Chủ đề

encoding python

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập